Healthy food marketing and purchases of fruits and vegetables in large grocery stores
Notice bibliographique
Résumé
Healthy food marketing in the retail environment can be an important driver of fruit and vegetable purchases. In Los Angeles County, the Nutrition Education and Obesity Prevention (NEOP) program utilized this strategy to promote healthy eating among low-income families that shop at large retail chain stores. The present study assessed whether self-reported exposure to large retail NEOP interventions, including seeing at least one store visual, watching an in-store cooking demonstration, and/or seeing at least one program advertisement, were associated with increased fruit and vegetable purchases. During fall 2014, the Division of Chronic Disease and Injury Prevention in the Los Angeles County Department of Public Health partnered with Samuels Center to conduct store patron intercept surveys at six large food retail stores participating in NEOP across Los Angeles County. Of 1050 participants who completed the survey, almost a quarter (25.0%) reported seeing at least one visual throughout the store and 9.2% watched a cooking demonstration. Seeing at least one visual and watching a cooking demonstration were not significantly associated with percent dollars spent on fruits and vegetables each week. Among participants who reported being exposed to at least one store visual, those enrolled in the Supplemental Nutrition Assistance Program (SNAP) reported spending 6% more on fruits and vegetables than those who were not enrolled (p = 0.046). Although the NEOP store interventions did not individually increase store purchases, their educational value may still influence patron food selection, especially if coupled to the monetary resources of SNAP for those who are enrolled.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».